运动估计的基本概念 在帧间预测编码中，由于活动图像邻近帧中的景物存在着一定的相关性。因此，可将活动图像分成若干块或宏块，并设法搜索出每个块或宏块在邻近帧图像中的位置，并得出两者之间。
视频图像帧之间的预测编码有哪些方法？ 预测编码数据压缩技术建立在信号数据的相关性上。一，它根据某一模型，利用以前的样本值对新样本进行预测，以此减少数据在时间和空间上的相关性，从而达到压缩数据的目的，但在实际预测编码时，一般不是建立在数据源的数学模型上，而是基于估计理论，现代统计学理论，这是因为数据源的数学模型很难建立，有时根本无法得到其数学模型，例如时变随机系统。预测编码的算法有很多，在图像编码常用的是DPCM(different Pulse Code Modulation)，即：差分脉冲编码调制方法。二，预测编码的基本思想是通过对每个像素中新增信息进行提取和编码，以此来消除像素间的冗余，这里新增信息是指像素当前实际值和预测值的差。也就是说，如果已知图像一个像素离散幅度的真实值，利用其相邻像素的相关性，预测它的可能数值，再求两者的差。利用这种具有预测性质的差值，再量化、编码传输，其效果更佳，这种方法称为DPCM法。因此，我们知道，在预测编码中，编码和传输的并不是像素采样值本身，而是这个采样值的预测值与实际值的差值。
预测编码的ADPCM 进一步改善量化性能或压缩数据率的方法是采用自适应量化或自适应预测，即自适应脉冲编码调制（ADPCM）。它的核心想法是：①利用自适应的思想改变量化阶的大小，即使用小的量化阶(step-size)去编码小的差值，使用大的量化阶去编码大的差值，②使用过去的样本值估算下一个输入样本的预测值，使实际样本值和预测值之间的差值总是最小。自适应量化在一定量化级数下减少量化误差或在同样的误差条件下压缩数据，根据信号分布不均匀的特点，希望系统具有随输入信号的变化区间足以保持输入量化器的信号基本均匀的能力，这种能力叫自适应量化。自适应量化必须有对输入信号的幅值进行估值的能力，有了估值才能确定相应的改变量。若估值在信号的输入端进行，称前馈自适应；若在量化输出端进行，称反馈自适应。信号的估值必须简单，占用时间短，才能达到实时处理的目的。自适应预测预测参数的最佳化依赖信源的特征，要得到最佳预测参数显然是一件繁琐的工作。而采用固定的预测参数往往又得不到较好的性能。为了能使性能较佳，又不致于有太大的工作量，可以采用自适应预测。为了减少计算工作量，预测参数仍采用固定的，但此时有多组预测参数可供选择，这些预测参数根据常见的信源特征求得。
